Ecuaciones estructurales en la ingeniería de minas

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERIA
ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA DE MINAS
ECUACIONES ESTRUCTURALES
ESTADISTICA Y PROBABILIDADES
Realizado por:
YOJHAN PELE CAHUANA PALOMINO 2016-101050

JUAN CARLOS MAMANI MAMANI 2016-101028
LUIS DAVID ARRATIA ACHO 2015-101040
YOEL ALIPIO ROMERO ALIAGA 2016-101038
JOSE MANUEL RAMOS GUTIERREZ 2016-101049
Docente:
Dr. Luis López Puican
Año/Semestre:
7mo Semestre
Tacna-Perú
2019
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
INTRODUCCIÓN
En la actualidad los investigadores para poder captar de forma adecuada la

complejidad de los fenómenos psicológicos utilizan métodos multivariados. el
número de técnicas multivariadas que se utilizan en las ciencias sociales y
especialmente en psicología es bastante amplio. Entre las más comunes se
destacan la regresión múltiple, el análisis factorial, el análisis multivalente de la
varianza y el análisis discriminante. cada una de estas técnicas es una poderosa
herramienta ala hora de tratar un amplio abanico de cuestiones prácticas y teóricas,
aunque se posee una limitación común: solo pueden examinar una relación al
mismo tiempo. incluso las técnicas que tienen en cuenta varias variables
dependientes, como el análisis multivalente de la varianza, siguen representadas
solo una única relación entre variables dependientes e independientes.
El modelo de ecuaciones estructurales (Structural Equation Modeling, SEM) permite
examinar simultáneamente una serie de relaciones de dependencia, y es
particularmente útil cuando una variable dependiente se convierte en variable
independiente en ulteriores relaciones de dependencia. Además, muchas de las
mismas variables afectan a cada una de las variables dependientes, pero con
efectos distintos. Se puede pensar que el modelo de ecuaciones estructurales es
una extensión de varias técnicas multivariadas como la regresión múltiple y el
análisis factorial. Sin embargo, posee algunas características particulares que lo
diferencian de las otras técnicas multivariadas. Una de las diferencias es la
capacidad de estimar y evaluar la relación entre constructos no observables,
denominados generalmente variables latentes. Una variable latente es un
constructo supuesto (inteligencia, por ejemplo) que solo puede ser medido mediante
variables observables (test de inteligencia, por ejemplo). En comparación con otras
técnicas de análisis donde los constructos pueden ser representados con una única
medición (puntajes brutos de un test, por ejemplo) y el error de medición no es
modelado, el SEM permite empelar múltiples medidas que representan el
constructor y controlar el error de medición específico de cada variable. Esta
diferencia es importante ya que el investigador puede evaluar la validez de cada
constructo medido.
ESTADISTICA Y PROBABILIDADES 2
CARACTERÍSTICAS DE LOS MODELOS DE ECUACIONES

ESTRUCTURALES.
Los SEM se caracterizan por dos elementos principales. El primero, evaluar las
relaciones de dependencia tanto múltiple como cruzadas. El segundo, el grado para
representar conceptos no observados en estas relaciones y tener en cuenta el error
de medida en el proceso de estimación.
El sistema de ecuaciones estructurales tiene la ventaja, sobre otros sistemas y
técnicas multivalentes el analizar las relaciones por cada subconjunto de variables,
permitiendo también una interrelación entre variables de diferentes grupos.
Los SEM trabajan con variables observables o medibles (aquellas que tienen un
valor de entrada) y una variable latente o no observada (que no tiene valor como tal
y que puede utilizarse como un concepto), fortaleciendo las correlaciones utilizadas
y realizando estimaciones más precisas de los coeficientes estructurales.
Para el ejemplo que se presenta, se tienen las variables pertenecientes a la SL
como son: percepción, beneficios, puesto, reconocimiento, relación con
compañeros, supervisión del jefe, condiciones de trabajo y libertad de acción.
Referentes a los FEA se tienen las variables de ruido, iluminación natural,
iluminación artificial y temperatura. Respecto a los FSC se cuenta con la edad,
género, estado civil y último grado de estudios.
FIGURA 1: se propone un ejemplo del modelo de medida
En este ejemplo el modelo de medida está compuesto por tres variables latentes y
nueve indicadores. La literatura sugiere (por ejemplo, Bollen, 1989) que lo ideal
sería que cada uno de los indicadores fuesen medidas independientes (test o
cuestionarios), que en combinación son representativos del constructor propuesto.
Modelo de Medida y Estructural
En el modelo de ecuaciones estructurales se pueden identificar dos componentes
principales:
a) Un modelo de medida que representa las relaciones de las variables latentes (o
constructos) con sus indicadores (o variables empíricas),
b) El modelo estructural donde se describe la interrelación entre los constructos. El
modelo de medida permite al investigador usar varias variables (indicadores), para
una única variable latente dependiente o independiente.
El objetivo fundamental del modelo de medida es corroborar la idoneidad de los
indicadores seleccionados en la medición de los constructos de interés, es decir,
que el investigador evalúe qué tan bien las variables observadas combinan
(cavarían o correlacionan) para identificar el constructo hipotético.
EJEMPLO 2
El modelo estructural es el modelo guía, que relaciona variables independientes y

variables dependientes. En tales situaciones, la teoría, antes que la experiencia u otras
directrices, permitirá al investigador distinguir qué variables independientes predicen
cada variable dependiente. En la figura 2 se presenta parte del modelo de rendimiento
académico propuesto por la Teoría Social-Cognitiva del Desarrollo de Carrera (Lent,
Brown & Hackett, 1994), donde las creencias de autoeficacia afectan al nivel de
rendimiento directamente, e indirectamente a través de las metas de rendimiento. El
modelo también incorpora el rol de las expectativas de resultados como variable
moderadora entre las creencias de autoeficacia y las metas de rendimiento. Finalmente,
la calidad del rendimiento logrado va a depender, en gran parte, de las metas de
rendimiento que el individuo establezca. En la figura 2, las creencias de autoeficacia,
expectativas de resultado, metas de rendimiento y rendimiento son variables latentes,
representadas con elipses. Las variables medidas (indicadores) son representadas por
rectángulos. Cada una de las variables medidas o latentes pueden ser exógenas
(independientes) o endógenas (dependientes). En la figura 2, todos los indicadores
(ejemplo, AU1, ME1, etc.) son endógenos porque son dependientes (son predecidos)
por sus respectivas variables latentes. De las cuatro variables latentes, sólo la variable
creencias de autoeficacia es exógena (no es predecida por ninguna otra variable), y
todas las otras variables latentes son dependientes de alguna otra variable. Uno de los
supuestos fundamentales del SEM es que las variables dependientes tienen cierta
variación no explicada por la variable latente que es atribuible al error de medición. Por
lo tanto, la varianza del error debe ser modelada. La variación del error es especificada
mediante un indicador del error que generalmente es representado con la letra e. el error
asociado a variables latentes dependientes se representa con la letra D.
FASES DE UN MODELO SEM

Los especialistas en SEM coinciden en que son seis las fases para aplicar esta técnica.
a) La especificación
b) Identificación
c) Estimación de parámetros
d) Evaluación del ajuste
e) Reespecificación del modelo
f) La interpretación de resultados que lo conforman
A) LA ESPECIFICACIÓN:
En esta fase el investigador aplica sus conocimientos teóricos del fenómeno estudiado
al
planteamiento de las ecuaciones matemáticas relativas a los efectos causales de las
variables latentes y a las expresiones que las relacionan con los indicadores o variables
observables. Esta distinción es importante porque cualquier relación entre variables, sin
especificar por el investigador, se asume que es igual a cero. En la figura 2, la relación
directa entre expectativa de resultados y el rendimiento académico es igual a cero,
aunque la relación entre estas dos variables es mediada por Las metas de rendimiento.
La especificación errónea en este modelo existirá si el mediador (metas de rendimiento)
no explica completamente la relación entre las expectativas de resultados y el
rendimiento académico. Además, en esta etapa, se formulan enunciados sobre el
conjunto de parámetros, decidiendo entre los que serán libres para ser estimados o fijos,
a los que se les asignará un valor dado, normalmente cero. Asimismo, se especifican
los supuestos estadísticos sobre las fuentes de variación y en concreto sobre la forma
de distribución conjunta, que en la mayoría de las técnicas empleadas se considera
normalidad multivariante. La claridad del modelo viene determinada por el grado de
conocimiento
teórico que posea el investigador sobre el tema de estudio. En efecto, si la información
es poco exhaustiva o detallada, la asignación de los parámetros será confusa a príori,
por lo que el investigador deberá realizar luego diversas modificaciones, contemplando
principalmente los aspectos teóricos.
B) EN LA FASE DE IDENTIFICACIÓN:
Si el modelo teórico es correcto, se procede a la identificación del modelo, en donde

debemos asegurar que pueden ser estimados los parámetros del modelo. El modelo
está
identificado si todos los parámetros lo están, es decir, si existe una solución única para
cada uno de los parámetros estimados. Determinar si un modelo está identificado debe
analizarse antes de la recolección de datos, verificando que al menos se dispone para
cada parámetro de una expresión algebraica que lo exprese en función de las varianzas
y
covarianzas muéstrales. Existe una serie de reglas generales aplicables para identificar
un modelo, una de ellas es la regla de los grados de libertad. Los investigadores calculan
el número de grados de libertad (gl) en un modelo utilizando la siguiente fórmula:
(Número de variables observadas x [número de variables + 1J)/2.
Se espera que los grados de libertad del modelo deban ser mayores o iguales a cero.
Esto
corresponde a lo que se denomina como modelo identificado o modelo sobre
identificado. Un modelo identificado tiene exactamente cero grados de libertad (gl=0).
Aunque esto ofrece un ajuste perfecto del modelo, la solución no tiene interés puesto
que no se puede generalizar. Un modelo sobre identificado es el objetivo de todos los
modelos de ecuaciones estructurales. Tiene más información en la matriz de datos que
el número de parámetros a estimar, lo que significa que tiene un número positivo de
grados de libertad (gl>0). Al igual que otras técnicas multivariantes, el investigador sé
esfuerza por conseguir un ajuste aceptable con el mayor grado de libertad posible. Esto
asegura que el modelo sea tan generalizable como sea posible. Finalmente, un modelo
infraestimado tiene grados de libertad negativo (gl<0), lo que significa que se intentan
estimar más parámetros de los que permite la información disponible.Al aplicar esta
revisión de identificación al modelo de la FÍgura 2, se evidencia que hay 11 variables
observadas (66 elementos conocidos en la matriz de covarianza; (11 x [11+1])/2= 66), y
hemos especificado 10 parámetros para ser estimados que están destacados con
asteriscos. Restando los 10 parámetros a estimar de los 66 parámetros conocidos revela
que para este modelo hay 56 grados de libertad. En resumen, mientras más grados de
libertad, más parsimonioso es el modelo. Así, cuando un modelo es parsimonioso se
ajusta bien a los datos, el investigador puede demostrar que las asociaciones entre
variables observadas y latentes son más importantes.
C) ESTIMACIÓN DE PARÁMETROS:
La estimación implica determinar los valores de los parámetros desconocidos y su

respectivo error de medición. Como en la regresión múltiple, los investigadores estiman
los coeficientes no estandarizados y estandarizados de los parámetros. Para estimar los
parámetros desconocidos, los investigadores utilizan programas especiales para el
SEM,
como el LISREL (Jóreskog & Sorbom, 1996), AMOS (Arbuckle, 2003), y el EQS (Bentler,
1995). Una de las técnicas ampliamente empleada en la mayoría de los programas
informáticos para la estimación de modelos estructurales, es el de máxima verosimilitud
(MV), que es eficiente y no sesgada cuando se cumplen los supuestos de normalidad
multivariada. La sensibilidad de este método de estimación a la no normalidad, creo que
genera la necesidad de técnicas de estimación alternativas, como el método mínimos
cuadrados ponderados (WLS), mínimos cuadrados generalizados (GLS) y
asintóticamente libre de distribución (AGL). La técnica AGL ha recibido particular
atención debido a su insensibilidad a la no normalidad de los datos, pero este método
exige un número considerable de casos (N=500 o mas).
D) LA EVALUACIÓN O BONDAD DE AJUSTE:
se refiere a la exactitud en los datos del modelo para determinar si es correcto y sirve
para los propósitos del investigador. Las medidas de calidad del ajuste pueden ser de
tres tipos:
1. medidas absolutas del ajuste que evalúan el ajuste global del modelo
2. medidas del ajuste incremental que comparan el modelo propuesto con otros
modelos especificados por el investigador
3. medidas del ajuste de parsimonia, que ajustan las medidas de ajuste para ofrecer
una comparación entre modelos con diferentes números de coeficientes estimados,
siendo su propósito determinar la cantidad del ajuste conseguido por cada coeficiente
estimado (Hair et al., 1995).
En este punto se emplean indicadores para evaluar el ajuste del modelo (Hu & Bentler,
1995). El más utilizado es cuando pvalue > 0.05 y el RMSEA (error cuadrático medio de
aproximación) < 0.05 (Tabachnick & Fidell, 2001).
E) LA REESPECIFICACIÓN DEL MODELO:
En raras ocasiones el modelo propuesto es el que mejor se ajusta. En consecuencia, el

investigador normalmente busca métodos para mejorar el ajuste del modelo y/o su
correspondencia con la teoría subyacente. En tal caso, puede iniciar la reespecificación
del modelo, el proceso de añadir o eliminar los parámetros estimados del modelo
original. Antes de tratar algunos enfoques para identificar las modificaciones del
modelo, es aconsejable hacer tales modificaciones con cuidado y considerando las
justificaciones teóricas antes que las empíricamente deseables. Si se realizan
modificaciones, el modelo debería tener una validación cruzada (es decir, estimado
sobre un conjunto distinto de datos) antes de que el modelo modificado sea aceptado.
Para realizar una reespecificación se deben examinar los índices de modificación. El
valor del índice de modificación corresponde aproximadamente a la reducción en el chi-
cuadrado que se produciría si el coeficiente fuera estimado. Un valor de 3,84 o superior
sugiere que se obtiene una reducción estadísticamente significativa en el chi-cuadrado
cuando se estima el coeficiente (Hair et al., 2001). El investigador también puede
examinar la matriz residual de la matriz de las predicciones de la covarianza y
correlación, donde los valores residuales mayores que 2,58 se consideran
estadísticamente significativos al nivel de 0,05. Los residuos significativos indican un
error de predicción sustancial para un par de indicadores.
F) LA INTERPRETACIÓN DE LOS DATOS:
ayuda al investigador a establecer el modelo correcto y la aceptación o rechazo de las

hipótesis, concluyendo con su investigación.
PAQUETES ESTADÍSTICOS PARA SEM

Dado que los modelos de ecuaciones estructurales se crean a partir de parámetros
estadísticos, se han diseñado varios paquetes computacionales que permiten calcular y
analizar las relaciones entre variables. Entre éstos se encuentra:
AMOS
(Analysis of Moment Structures, Análisis de estructuras de momento) (Arbuckle, 1997)

El cual utiliza el modelado de ecuaciones estructurales para conﬁrmar y explicar los
modelos conceptuales que tratan las actitudes, percepciones y otros factores que
determinan el comportamiento de las variables.
Este programa trabaja bajo la plataforma del SPSS:
SPSS (Statistical Package for the Social Sciences). –
es un sistema global para el análisis estadístico de datos y con el que se pueden adquirir
datos de casi cualquier tipo de archivo y utilizarlos para generar informes tabulares,
gráﬁcos y diagramas de distribuciones y tendencias, estadísticos descriptivos y análisis
estadísticos complejos, permitiendo que el análisis estadístico sea accesible a
cualquiera que lo necesite (Pardo y Ruiz, 2002). Se puede emplear de manera
interactiva o procesando muchas tareas a la vez. El trabajo interactivo se realiza a través
del cuadro de dialogo que contiene los aspectos más importantes de la tarea que se
vaya a realizar. Esta organizado a base de comandos, como elementos de un lenguaje.
Dichos comandos pueden ser generales o de aplicaciones estadísticas (Camacho,
2006).
LISREL
(Lineal Structural Relations) creado por Jöreskog y Sörborn (1986)

el cual ofrece una mayor variedad de métodos de estimación y cuenta con una interfaz
gráfica que permite crear el modelo (path diagram) automáticamente, una vez que se
“corre” el análisis estadístico de los datos.
EQS
(Abreviatura de Equations)
creado por Bentler (1985), tiene gran aceptación entre los investigadores que trabajan
con modelos de ecuaciones estructurales ya que tiene una alta precisión en la bondad
de ajuste.
APLICACIÓN DE LOS SEM

Son muchos los investigadores que han adoptado los modelos de ecuaciones
estructurales para obtener resultados. Algunos de ellos comienzan por indagar y
publicar desde la teoría, el origen y la estructura de éstos (Mateos y Morales, s/A; Silva
y Schiattino, 2008; Ruiz, Pardo y San Martín, 2010; Batista y Coenders, 2000). Otros
como Casas (s/a), utilizan SEM para determinar el índice de satisfacción al cliente en
toda Europa, estimando los parámetros del modelo con ecuaciones lineales simultáneas
(PLS).
En el área de calidad, Cuautle (2010) utiliza estos modelos para proponer un modelo de
gestión integral para las empresas mexicanas de manufactura. Relacionado a la
transferencia del conocimiento, tanto Maynez (2011) como Mejía y Cornejo (2010)
utilizan estos modelos en sus respectivas investigaciones de doctorado.
Lo que respecta al área educativa, se encuentran investigaciones como la de Cervelló

et. al (2004) en la que analizan la motivación de los alumnos en las clases de educación
física. Briseño, Herrera, Enders y Fernández (2005), los utilizaron para evaluar los
riesgos ergonómicos en el personal de enfermería. Lozano (2007), valida un modelo
para determinar las dificultades a las que se enfrentan los estudiantes en el momento
de decidir qué carrera estudiar. Los factores que influyen en la motivación de los
escolares en las áreas de ingeniería y tecnología, es un estudio que presentan Blázquez,
Álvarez, Bronfman y Espinosa (2009), entre muchos otros investigadores de diferentes
áreas de aplicación.
CONSTRUCCIÓN DE LOS MODELOS
Cuando se tiene una matriz de datos, es necesario analizar su estructura debido a la

cantidad de correlaciones que se estudian entre las variables que la conforman. Para
llevar a cabo lo anterior, se utilizan métodos estadísticos multivariantes llamados análisis
factorial.
El análisis factorial se utiliza para reducir y resumir los datos que se están analizando,
eliminando las dependencias o independencias de los datos. De igual manera se utiliza
para “identificar factores que explican las correlaciones entre las variables” (Cuautle,
2010), siendo que en este tipo de análisis todas las variables son iguales, o sea
independientes, lo que significa que ninguna variable es más o menos que otra
(Gorsuch, 1983). Al tener la información requerida, es necesario calcular un conjunto
de dimensiones latentes llamadas factores, con los que se explican dichas relaciones.
Por lo tanto, el análisis factorial es una técnica de reducción de datos con la que se
pueden probar las hipótesis planteadas.
EJERCICIO
En este ejemplo hemos modelizado los factores que explican que los bancos divulguen
sus cuentas anuales en Internet, es decir sean transparentes.
PROCEDIMIENTO:
A. MODELO
Pensamos que un factor explicativo puede ser el tamaño, otro la visibilidad en Internet
(aquellas que sean muy populares) y finalmente si lo hacen bien (por ejemplo, en
términos de rentabilidad) tendrá más aliciente para divulgar la información. Es decir, una
entidad grande, que tiene buenos resultados financieros y que haya hecho una mayor
apuesta por Internet será más tendente a revelar información por este medio.
UTILIZANDO SMARTPLS.
SE REALIZA UN NUEVO PROYECTO: ECUACION ESTRUCTURAL

SE PASA A COLOCAR LOS DATOS UTILIZADOS.
PASAMOS A REALIZAR LA ESTRUCTURA DE LA ECUACION
VARIABLES LATENTES:
NOMBRAMOS:
LOS INDICADORES DE CADA VARIABLE SE TIENEN QUE SELECCIONAR Y

LLEVAR HASTA LA ESTRUCTURA, COLOCANDO RESPECTIVAMENTE:
CONECTAMOS LAS VARIABLES:
SELECCIONAR ALGORITMO PLS PARA LOS CALCULOS:
B. HIPOTESIS
En la siguiente fase se proporcionan los argumentos teóricos que sustentan las

hipótesis.
En este caso:
La relación entre tamaño y transparencia:
H1: El "tamaño de la entidad" tiene un efecto positivo en la "e-transparencia", en

las entidades de crédito.
La performance financiera y la transparencia:
H2: La "performance financiera" tiene un efecto positivo en la "e-transparencia"
El uso de Internet:
H3: La "visibilidad en Internet" tiene un efecto positivo en la "e-transparencia"
Tamaño, performance y visibilidad en Internet:
H4a: El "tamaño" tiene un efecto positivo en la "visibilidad en Internet"
H4b: La "performance financiera" tiene un efecto positivo en la "visibilidad en

Internet"
Tamaño y performance financiera:
H5: El "tamaño" tiene un efecto positivo en la "performance financiera"
C. DATOS E INDICADORES
Los datos utilizados para este ejemplo y los indicadores relacionados a las variables
latentes o también llamados constructos, serán puestos a continuación:
La muestra la componen 70 entidades financieras españolas. Son todas las cajas de

ahorro que operaban en España en la fecha del estudio y todos los bancos, excepto
aquellos que son filiales de bancos extranjeros.
D. EL MODELO DE MEDIDA. CONSISTENCIA INTERNA.
UNIDIMENSIONALIDAD:
En primer lugar, se comprueba que los indicadores que integran cada constructo son
unidimensionales. Se realiza un análisis de componentes principales para cada
constructo y se aplica el criterio de Kaiser (1960), es decir que solo para el primer
componente principal el valor propio es mayor que 1. Jolliffe (1972) sugiere un valor de
0.8. Se realizan tantos análisis de componentes principales como constructos. Otro dato
relevante es el porcentaje de varianza explicada. En este caso se espera que el primer
componente explique la mayor parte de la varianza.
ABRIMOS SPSS, ENTRANDO A ANALISIS, ANALISIS FACTORIAL:
FIABILIDAD
ENTRAMOS A ANALISIS, ESCALA, ANALISIS DE FIABILIDAD DONDE OBTENEMOS

LOS SIGUIENTES RESULTADOS:
VALIDEZ CONVERGENTE
La validez convergente se ha calculado el Average Variance Extracted (AVE) que mide

que la varianza del constructo se pueda explicar a través de los indicadores elegidos,
Fornell y Larcker (1981). Los valores mínimos recomendados son 0.5, Baggozi y Yi
(1998), lo que quiere decir que más del 50% de la varianza del constructo es debida a
sus indicadores.
UTILIZANDO SMARTPLS SE PUEDE CALCULAR EL AVE, SELECCIONANDO

BOOSTRAPING PARA PLS OBTENIENDO LOS SIGUIENTES RESULTADOS:
VALIDEZ DISCRIMINANTE
La validez discriminante implica que cada constructo debe ser significativamente

diferente del resto de los constructos con los que no se encuentra relacionado según la
teoría. Para analizar la validez discriminante se obtuvo la matriz de cargas factoriales y
cargas factoriales cruzadas. Las cargas factoriales son coeficientes de correlación de
Pearson entre los indicadores y su propio constructo. Las cargas factoriales cruzadas
son coeficientes de correlación de Pearson entre los indicadores y los otros constructos.
Las cargas factoriales debe ser mayores que las cargas factoriales cruzadas. Es decir,
los indicadores deben estar más correlacionados con su propio constructo que con los
otros.
E. EL MODELO ESTRUCTURAL. R CUADRADO Y BETAS.
COMO RESULTADO OBTENEMOS:
Los coeficientes path estandarizados permiten analizar el cumplimiento de las hipótesis

planteadas. Chin (1998) sugiere que, para ser considerados significativos, deberían
situarse por encima de 0.3.
OBTENEMOS LOS SIGUIENTES RESULTADOS:
En la hipótesis 1 planteamos que el "TAMAÑO" tiene un efecto positivo en

"TRANSPARENCIA". La tabla presenta valores del parámetro de la relación de 0.6653,
y t-value de 5.84 siendo estadísticamente significativos. Al multiplicar el coeficiente path
(0.6653) por el correspondiente coeficiente de correlación entre ambas variables
latentes (0.738), sale 0.4909, que es un índice razonable del porcentaje de la varianza
del constructo "transparencia" explicado por la variable latente predictora "TAMAÑO". A
la vista de los valores de las betas, t y los R-square podemos concluir que los datos
soportan la hipótesis 1.
La hipótesis 2 vincula financial performance y e-transparencia. El coeficiente de

correlación entre performance y transparencia es 0.452, que es positivo y
estadísticamente significativo. Hay una relación estadísticamente significativa entre
performance y transparencia, pero el coeficiente path es muy bajo, 0.1070 así como el
t-value, 1.22. Los datos no permiten apreciar una relación causal ¿Qué está pasando?
Obsérvese que el path de la relación entre tamaño y performance, (hipótesis 5), es de
0.5008 y un t-value de 5.21 que es estadísticamente significativo. Las entidades
financieras con mejor performance revelan más, pero porque son las más grandes. Por
tanto, los datos aceptan la hipótesis 5, "TAMAÑO" tiene un efecto positivo en "
PERFORMANCE FINANCIERON" pero no se aceptan la hipótesis 2.
Con la hipótesis 3, que vincula visibilidad en Internet y e-transparencia pasa parecido.

El coeficiente de correlación entre ambos es 0.526, que es positivo y estadísticamente
significativo. Pero el path coefficient es muy bajo, 0.0355, así como el t-value, 0.09. Por
tanto, los datos no permiten apreciar una relación causal.
Los datos sí que aceptan la relación entre tamaño y visibilidad en Internet, la hipótesis
4a. No se acepta la hipótesis 4b que relaciona "performance financiera" con "visibilidad
en Internet" al presentar un path coefficient de 0.0459.
BIBLIOGRAFIA
http://riem.facmed.unam.mx/node/729
http://www.revistaeducacion.mec.es/re335/re335_24.pdf
http://www.slideshare.net/vassy/unidad-2-modelos-de-ecuaciones-estructurales-
por-el-mtodo-de-minimos-cuadrados-parciales
http://www.youtube.com/watch?v=kwrt6y2aqm
http://www.youtube.com/watch?v=fp17zl8e2ao
http://www.youtube.com/watch?v=u0ospqurg8-g

Ecuaciones estructurales en la ingeniería de minas

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ecuaciones estructurales en la ingeniería de minas

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA DE MINAS

YOJHAN PELE CAHUANA PALOMINO 2016-101050

En la actualidad los investigadores para poder captar de forma adecuada la

CARACTERÍSTICAS DE LOS MODELOS DE ECUACIONES

FIGURA 1: se propone un ejemplo del modelo de medida

El modelo estructural es el modelo guía, que relaciona variables independientes y

FASES DE UN MODELO SEM

Si el modelo teórico es correcto, se procede a la identificación del modelo, en donde

(Número de variables observadas x [número de variables + 1J)/2.

La estimación implica determinar los valores de los parámetros desconocidos y su

D) LA EVALUACIÓN O BONDAD DE AJUSTE:

E) LA REESPECIFICACIÓN DEL MODELO:

En raras ocasiones el modelo propuesto es el que mejor se ajusta. En consecuencia, el

F) LA INTERPRETACIÓN DE LOS DATOS:

ayuda al investigador a establecer el modelo correcto y la aceptación o rechazo de las

PAQUETES ESTADÍSTICOS PARA SEM

(Analysis of Moment Structures, Análisis de estructuras de momento) (Arbuckle, 1997)

(Lineal Structural Relations) creado por Jöreskog y Sörborn (1986)

APLICACIÓN DE LOS SEM

Lo que respecta al área educativa, se encuentran investigaciones como la de Cervelló

CONSTRUCCIÓN DE LOS MODELOS

Cuando se tiene una matriz de datos, es necesario analizar su estructura debido a la

SE REALIZA UN NUEVO PROYECTO: ECUACION ESTRUCTURAL

PASAMOS A REALIZAR LA ESTRUCTURA DE LA ECUACION

LOS INDICADORES DE CADA VARIABLE SE TIENEN QUE SELECCIONAR Y

CONECTAMOS LAS VARIABLES:

SELECCIONAR ALGORITMO PLS PARA LOS CALCULOS:

En la siguiente fase se proporcionan los argumentos teóricos que sustentan las

La relación entre tamaño y transparencia:

H1: El "tamaño de la entidad" tiene un efecto positivo en la "e-transparencia", en

La performance financiera y la transparencia:

H2: La "performance financiera" tiene un efecto positivo en la "e-transparencia"

H3: La "visibilidad en Internet" tiene un efecto positivo en la "e-transparencia"

Tamaño, performance y visibilidad en Internet:

H4a: El "tamaño" tiene un efecto positivo en la "visibilidad en Internet"

H4b: La "performance financiera" tiene un efecto positivo en la "visibilidad en

Tamaño y performance financiera:

H5: El "tamaño" tiene un efecto positivo en la "performance financiera"

La muestra la componen 70 entidades financieras españolas. Son todas las cajas de

D. EL MODELO DE MEDIDA. CONSISTENCIA INTERNA.

ABRIMOS SPSS, ENTRANDO A ANALISIS, ANALISIS FACTORIAL:

ENTRAMOS A ANALISIS, ESCALA, ANALISIS DE FIABILIDAD DONDE OBTENEMOS

La validez convergente se ha calculado el Average Variance Extracted (AVE) que mide

UTILIZANDO SMARTPLS SE PUEDE CALCULAR EL AVE, SELECCIONANDO

La validez discriminante implica que cada constructo debe ser significativamente

E. EL MODELO ESTRUCTURAL. R CUADRADO Y BETAS.

COMO RESULTADO OBTENEMOS:

Los coeficientes path estandarizados permiten analizar el cumplimiento de las hipótesis

OBTENEMOS LOS SIGUIENTES RESULTADOS:

En la hipótesis 1 planteamos que el "TAMAÑO" tiene un efecto positivo en

La hipótesis 2 vincula financial performance y e-transparencia. El coeficiente de

Con la hipótesis 3, que vincula visibilidad en Internet y e-transparencia pasa parecido.

Vous aimerez peut-être aussi